Import de la base de données

gs4_deauth()
df <- read_sheet(
  "https://docs.google.com/spreadsheets/d/1eWwPK8G89G6nWTDzWimcCa8EOWqval8RPvwykZmfGoI/edit?gid=803820517#gid=803820517",
  sheet = "CopieThomas"
)

Statistiques descriptives

Recodages des variables pour lisibilité

#Factor l'Âge dans le bon ordre : 
df <- df %>%
  mutate(`3_Age` = factor(`3_Age`,
                          levels = c("Entre 30 et 39 ans",
                                     "Entre 40 et 49 ans",
                                     "Entre 50 et 59 ans",
                                     "Entre 60 et 69 ans",
                                     "Plus de 70 ans")))


#Factor la durée d'installation dans le bon ordre 
df <- df %>%
  mutate(`6_Duree_d_installation` = factor(`6_Duree_d_installation`,
                                           levels = c("Moins de 5 ans",
                                                      "Entre 5 et 9 ans",
                                                      "Entre 10 et 19 ans",
                                                      "Plus de 20 ans")))



#Factor les types d'activité dans le bon ordre 
df <- df %>%
  mutate(`7_Type_d_activite` = factor(`7_Type_d_activite`,
                                      levels = c("Exclusivement libéral en cabinet",
                                                 "Essentiellement libéral avec activité universitaire",
                                                 "Essentiellement libéral avec activité de régulation/PDSA",
                                                 "Mixte (libéral + hospitalière)",
                                                 "Autre")))

Description de chaques médecins : par graphiques

Connaissance MCS

Variable : df$1_Connaissance_MCS_binaire

Sexe

Âge

Lieu d’installation : carte des répondants

Durée d’installation :

Type d’activité :

Représentation en camembert :

Types de visites

Variables incluses : 8__consultations_rdv 8__consultations_sans_rdv_ 8_consultations_:creneaux_d_urgence 8_Visites 8_Cs_autre 8bis_En_cas_de_reponse”Autre”merci_de_preciser\[Commentaire\]

Ressenti sur le délai d’intervention du SMUR :

Variable : df$9_Ressenti_delai_SMUR

AUTRES : représentés par :
- “Pas ou peu d’urgences vraies. Pour la semi urgence, on a toujours réussi à se dépatouiller : amélioration de l’état clinique par les médicaments sur place ou récupérés à la pharma en urgence par la famille ou alors transport hospitalier ””rapide”” 0 médicalisé par la famille. Par contre en cas d’urgence réelle, je pressens que l’équation pourrait être problématique.”
- “Il y a un cabinet qui gère les urgences à 50 mètres du mien”
- “Délai de prise en charge fortement modulé selon l’utilisation de l’hélicoptère ou 0, intérêt+++ de la télé médecine au sein du CH de Cilaos”
- “les délais sont longs mais la perception dépend de l’urgence”

Idem mais camembert avec mêmes couleurs

Variable : df$9_Ressenti_delai_SMUR

Carte

Perte de chance dans le secteur liée au délai d’intervention du SMUR

Histogramme

Camembert

Carte

Tableau récapitulatif

2 colonnes incluses :

`9_Ressenti_delai_SMUR``
`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur``

cols_to_include2 <- c(
  "9_Ressenti_delai_SMUR",
  "10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur"
)
    
#Ordonner les facteurs pour lisibilité
df <- df %>%
  mutate(`9_Ressenti_delai_SMUR` = factor(`9_Ressenti_delai_SMUR`,
                                          levels = c("Délai non gênant",
                                                     "Plutôt bien mais parfois gêné",
                                                     "Délai trop long, en difficulté",
                                                     "Autre")))
df <- df %>%
  mutate(`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur` = factor(`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur`,
                                                                                   levels = c("Non, pas du tout","Plutôt non","Plutôt oui","Oui, tout à fait")))

table2 <- df %>% 
  tbl_summary(
    include = all_of(cols_to_include2), # colonnes à inclure
    statistic = list(
      all_categorical() ~ "{n} ({p}%)" # n (%) pour les variables catégorielles
    ),
    label = list(
      `9_Ressenti_delai_SMUR` = "Ressenti sur le délai d'intervention du SMUR",
      `10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur` = "Perte de chance dans votre secteur liée au délai d'intervention"
    ),
    missing = "no" # ne pas inclure les valeurs manquantes dans le tableau
  ) %>%
  modify_header(label = "**Caractéristiques**") %>% # modifier l'en-tête de la colonne des labels
  bold_labels() # mettre en gras les labels des variables

table2

Caractéristiques	N = 55¹
Ressenti sur le délai d'intervention du SMUR
Délai non gênant	12 (22%)
Plutôt bien mais parfois gêné	33 (60%)
Délai trop long, en difficulté	5 (9.1%)
Autre	5 (9.1%)
Perte de chance dans votre secteur liée au délai d'intervention
Non, pas du tout	3 (5.5%)
Plutôt non	19 (35%)
Plutôt oui	29 (53%)
Oui, tout à fait	4 (7.3%)
¹ n (%)

Perte de chance binaire liée au délai d’intervention

slices <- table(df$`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur_binaire`)
labels <- c("Non", "Oui")
pct <- round(slices / sum(slices) * 100)
labels <- paste(labels, pct) # Ajoute les pourcentages aux labels
labels <- paste(labels, "%", sep = "") # Ajoute le symbole %
pie(slices,
    main = "Perte de chance binaire liée au délai d'intervention",
    col = c("lightcoral", "lightgreen"),
    labels = labels
)

Réseau MCS est-il pertinent pour la Réunion ?

Histogramme

Variable : df$11_Reseau_MCS_pertinent_pour_La_Reunion

Camembert

Variable : df$11_Reseau_MCS_pertinent_pour_La_Reunion

Délai depuis dernière formation aux soins d’urgences

Variable df$12_Dernieres_formations_d_urgence

Visualisation du rapport entre l’Âge et le délai depuis la dernière formation aux soins d’urgence

Autres visualisations pour monsieur

### Cabinet adapté aux urgences

Variable df$13_Cabinet_adapte_aux_urgences

Histogramme

Camembert

### Intérêt pour une formation complémentaire en urgence

Variable : df$14_Interet_pour_formation_complementaire_en_urgence

Histogramme

Camembert

### Formation incite à être MCS

Variable : df$15_Si_+_forme_aux_urgences:_incitation_à_devenir_MCS

Histogramme

Camembert

Matériel incite à être MCS

Variable : df$16_Materiel_adapte_à_l’urgence_:_incitation_à_devenir_MCS

Histogramme

Camembert

## Motivations et freins

Motivations à devenir MCS

### Freins

Variables :
- df$18_Freins_[Charge_de_travail_supplementaire]
- df$18_Freins_[Manque_de_formation_en_urgence]
- df$18_Freins_[Contraintes_administratives_ou_organisationnelles]

library(tidyverse)

## Tableau 1 : Caractéristiques démographiques et professionnelles des médecins généralistes selon le mode d’exercice

Caractéristiques	N = 55¹
Connaissance du réseau MCS	4 (7.3%)
Sexe (Homme)	29 (53%)
Âge
Entre 30 et 39 ans	18 (33%)
Entre 40 et 49 ans	17 (31%)
Entre 50 et 59 ans	6 (11%)
Entre 60 et 69 ans	12 (22%)
Plus de 70 ans	2 (3.6%)
Durée d'installation (années)
Moins de 5 ans	22 (40%)
Entre 5 et 9 ans	6 (11%)
Entre 10 et 19 ans	11 (20%)
Plus de 20 ans	16 (29%)
Type d'activité
Exclusivement libéral en cabinet	44 (80%)
Essentiellement libéral avec activité universitaire	3 (5.5%)
Essentiellement libéral avec activité de régulation/PDSA	2 (3.6%)
Mixte (libéral + hospitalière)	3 (5.5%)
Autre	3 (5.5%)
Consultations avec rendez-vous	26 (47%)
Consultations sans rendez-vous	49 (89%)
Visites	39 (71%)
Autres consultations	2 (3.6%)
¹ n (%)

Comparaison sur CJP : différences entre interessé et non interessé

CJP : recodé en df$CJP codé “1”
Utiliser le recodage binaire pour interprétation plus facile :
- connaissance <- df$1_Connaissance_MCS_binaire
- age <- df$`3_Age_inf_50a
- sexe <- df$2_Sexe_Homme
- profession_isolee <- df$4_Profession_isolee
- duree_installation <- df$6_Duree_d_installation_inf_10ans
- activite_autre <- df$7_Activite_autre_que_liberal_exclusif
- ressenti_delai <- df$9_Ressenti_delai_SMUR_genee_YN
- perte_chance <- df$10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur_binaire

Caractéristiques	Intéressé par MCS N = 25¹	Non intéressé par MCS N = 30¹	p-value²
Connaissance du dispositif MCS	3 (12%)	1 (3.3%)	0.3
Âge inférieur à 50 ans	18 (72%)	17 (57%)	0.2
Sexe (Homme)	15 (60%)	14 (47%)	0.3
Durée d'installation inférieure à 10 ans	13 (52%)	15 (50%)	0.9
Activité autre que libéral exclusif	7 (28%)	4 (13%)	0.2
Consultations avec rendez-vous	9 (36%)	17 (57%)	0.13
Consultations sans rendez-vous	22 (88%)	27 (90%)	>0.9
Visites à domicile	19 (76%)	20 (67%)	0.4
Créneaux d'urgence	6 (24%)	5 (17%)	0.5
Ressenti du délai d'intervention du SMUR gêné	21 (84%)	17 (57%)	0.029
Perte de chance liée au délai d'intervention (binaire)	18 (72%)	15 (50%)	0.10
Dernière formation aux soins d'urgence < 5 ans (binaire)	12 (48%)	10 (33%)	0.3
Cabinet adapté aux urgences (binaire)	15 (60%)	10 (33%)	0.048
Intérêt pour une formation complémentaire en urgence (binaire)	25 (100%)	17 (57%)	<0.001
¹ n (%)
² Fisher’s exact test; Pearson’s Chi-squared test

Je trouve ce tableau interessant !
Les médecins interssés par être MCS sont significativement :
- Plus gêné par le délai d’intervention du SMUR (p < 0.029)
- Ont un cabinet + adapté aux urgences p < 0.05)
- Sont + intéressés par une formation complémentaire en urgence (p < 0.001)
- Et d’autres trucs mais regarde

Ce tableau est top mais ne permet pas vraiment de QUANTIFIER à quel point ces facteurs sont associés à l’intérêt pour devenir MCS.

Analyse multivariée : régression logistique

Méthode

Choix des variables à inclure :
- Nombre limité de variables à inclure car peu de données
- Donc se limiter à
  - Peu de variables inclure (en théorie 1 variable par évènement CJP codé “Oui” : donc dans ce cas entre 2 et 3 variables maximum car 25 médecins interessés par être MCS)
  - Seulement les variables qui ont montré une association significative ou presque en univarié (pas d’intérêt à inclure des variables qui n’ont pas d’effet propre)
- Méthode utilisé : régression logistique avec correction Firth (évite les problèmes de séparation complète ou quasi complète dans les modèles de régression logistique, surtout avec de petits échantillons ou des événements rares)
Interprétation :
- Odds Ratio (OR) : mesure de l’association entre une variable indépendante et la probabilité d’être intéressé pour devenir MCS.
- Intervalle de confiance (IC) à 95% : fournie une estimation de la précision de l’OR.
- p-value : indique si l’association est statistiquement significative (généralement p < 0.05).
- Un OR > 1 indique une association positive, tandis qu’un OR < 1 indique une association négative.
  - Exemple : un OR de 2 signifie que les médecins avec cette caractéristique ont deux fois plus de chances d’être intéressés pour devenir MCS par rapport à ceux sans cette caractéristique.

-   MuLtivariée : on ajuste pour les autres variables incluses dans le modèle, permettant d'isoler l'effet propre de chaque variable sur l'intérêt pour devenir MCS.

Variable	Odds Ratio	95% Confidence Interval	p-value
Analyse multivariée par régression logistique
Variables associées à l'intérêt pour devenir MCS
Gêne liée au délai du SMUR	2.61	0.6 – 12.68	0.203
Perte de chance perçue dans le secteur	2.38	0.56 – 11.42	0.242
Cabinet adapté aux urgences	4.15	1.1 – 19.22	0.035
Intérêt pour formation complémentaire en urgence	6.12	2.88 – 21.1	0.002

Interprétation :

Variables significativement et indépendamment associées à l’intérêt pour devenir MCS :

Cabinet adapté aux urgences (OR = 3.90, p = 0.044) : les médecins ayant un cabinet adapté aux urgences ont environ 3.9 fois plus de chances d’être intéressés pour devenir MCS par rapport à ceux dont le cabinet n’est pas adapté, en ajustant pour les autres variables du modèle.
Intérêt pour une formation complémentaire en urgence (OR = 6.12, p = 0.002) : les médecins intéressés par une formation complémentaire en urgence ont environ 6.12 fois plus de chances d’être intéressés pour devenir MCS par rapport à ceux qui ne le sont pas, en tenant compte des autres facteurs.

Les autres variables (gêne liée au délai du SMUR et perte de chance perçue dans le secteur) ne sont pas statistiquement significatives dans ce modèle multivarié, suggérant qu’elles n’ont pas d’effet indépendant fort sur l’intérêt pour devenir MCS une fois les autres facteurs pris en compte.

Stats Thèse Max

Thomas HUSSON

2025-10-21

Import de la base de données

Statistiques descriptives

Recodages des variables pour lisibilité

Description de chaques médecins : par graphiques

Connaissance MCS

Sexe

Âge

Lieu d’installation : carte des répondants

Durée d’installation :

Type d’activité :

Types de visites

Ressenti sur le délai d’intervention du SMUR :

Idem mais camembert avec mêmes couleurs

Carte

Perte de chance dans le secteur liée au délai d’intervention du SMUR

Histogramme

Camembert

Carte

Tableau récapitulatif

Perte de chance binaire liée au délai d’intervention

Réseau MCS est-il pertinent pour la Réunion ?

Histogramme

Camembert

Délai depuis dernière formation aux soins d’urgences

Histogramme

Camembert

Histogramme

Camembert

Histogramme

Camembert

Matériel incite à être MCS

Histogramme

Camembert

Motivations à devenir MCS

Comparaison sur CJP : différences entre interessé et non interessé

Analyse multivariée : régression logistique

Méthode

Interprétation :

Forest plot

CJP

carte

camembert